电商推荐平台电商推荐用的什么推荐算法，推荐算法入门 _睿知

一、推荐算法有哪些？
推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。基于内容的推荐算法的原理是用户喜欢与自己关注过的项目内容相似的项目。比如你看《哈利波特I》，基于内容的推荐算法发现《哈利波特II-VI》与你之前看过的内容密切相关(总共有很多关键词) ，然后把后者推荐给你。这种方法可以避免项目的冷启动问题(冷启动：如果一个项目从未被关注过，其他推荐算法很少推荐，但基于内容的推荐算法可以分析项目之间的关系来实现推荐) 。缺点是推荐的项目可能会重复，这是典型的新闻推荐。如果你看了一条关于MH370的新闻，很可能推荐的新闻和你浏览过的一样。另一个缺点是对于一些多媒体推荐(如音乐、电影、图片等。) ，因为内容特色很难提，所以很难推荐。一种解决方案是手动标记这些物品。协同过滤算法，原理是用户喜欢兴趣相似的用户喜欢的产品，比如你的朋友喜欢电影《哈利波特I》，那么它就会推荐给你。这是最简单的基于用户的协同过滤算法。还有基于项目的协同过滤算法，两者都是将用户的所有数据读入内存进行运算，所以称为基于内存的协同过滤。另一类是基于模型的协同过滤，包括方面模型、pLSA、LDA、聚类、SVD、矩阵分解等。这种方法需要很长的训练过程，但训练后推荐过程更快。最后一种方法是基于知识的推荐算法，有人把这种方法归类为基于内容的推荐。典型的方法是构建领域本体或者建立一定的规则来进行推荐。混合推荐算法将上述方法进行整合，通过加权、串联、并联的方式进行整合。当然，推荐系统也包括很多方法。事实上，机器学习或数据挖掘中的很多方法都可以应用在推荐系统中，比如LR、GBDT、RF(这三种方法在一些电商推荐中经常用到)、社交网络中的图结构等。都可以说是推荐方法。

文章插图
二、国内电子商务网站所运用的推荐技术有什么？什么基于内容的、知识的、协调过滤，具体点，最好有截图，谢谢
凡客的推荐系统比较好，因为主要经营服装类产品，所以主要采用协同过滤推荐算法，比如“用户浏览了这个产品买了什么”“买了这个产品的用户还买了什么”；JD.COM商城已经猜到你喜欢它。应该是基于浏览记录和消费记录的产品内容是通过基于内容过滤的推荐算法实现的，但还是以协同过滤为主。在个性化推荐方面，亚马逊、当当等主营图书的购物平台，根据用户的搜索内容、浏览记录、消费记录，采用一种基于内容过滤的推荐算法，基于关联规则向用户推荐相关图书。视频网站土豆网的个性化推荐比优酷更人性化。可以在不登录的情况下记录用户的浏览记录，并根据历史浏览内容向用户推荐相关视频，这些视频一般与导演或演员有关。优酷和土豆的共同点是仍然以协同过滤为主。“看过这部片子的用户还是喜欢看的” 。在推荐系统中，个性化推荐和普通推荐是非常重要的。每个电商网站都要有一些共同的推荐，比如近期产品、热门产品，以及一些基于共同消费模式的相关推荐。希望你能帮忙。
三、如何做好「推荐算法」？有哪些常见的错误需要避免？
【电商推荐平台电商推荐用的什么推荐算法，推荐算法入门】分享到这里。1.推荐算法的组成一套标准的推荐算法需要四个组成部分：一是数据源，行为基础数据的过滤；通常，推荐算法来自于用户行为的收集。简单来说，行为数据越丰富，样本覆盖越全面，结果越准确。如果抽样有偏差，结果也会有偏差。举例：游戏推荐算法，我们以前受限于采样技术水平和处理能力，使用的是已登录用户玩过的游戏历史，所以推荐结果会偏向需要登录的游戏。随着技术的提高，使用所有用户玩过的游戏历史更加全面。例2:在搜索引擎中，推荐关键词有两种方案，一种是基于广告主的竞价记录；另一种是基于网民的搜索行为；前者更专业，噪音更小；后者覆盖面广，噪音大，各有利弊，根据业务需求选择。推荐算法通常来自于用户的行为记录，比如关键词推荐的用户搜索历史，电商推荐的用户购物历史，游戏推荐的游戏玩历史。然后基于算法给出关联度，再对显示进行排序。但这不是绝对的，也有不基于用户行为记录的推荐原则。比如基于用户身份或者其他地区、网络环境等特征。限于篇幅和常见的业务需求，这里就不解释了。如有必要，对基本行为数据做一些去噪工作。比如通过日志分析玩家的游戏历史或者用户的购物历史，至少要知道如何过滤掉各种搜索引擎和工具的抓取痕迹，否则结果会很难看。算法有很多种，很多都可以在网上搜到。即使找不到，或者看不懂，自己编译也不难(我编译过，我觉得效果还不错，只是不如其他专业算法，适合练手，不适合吹牛) 。不同算法之间还是有相当大的差异，需要了解业务需求和目标特征来选择。我真的不是专家。我们同事说的算法我都不能理解，就不多说了。微博上的“东丈_机器学习”和“梁斌penny”都是算法高手。
，大家可以多关心他们的微博。第三：参数！绝对不要认为用到了好的算法就可以了！算法往往会基于一些参数来调优，这些参数哪里来？很不好意思的告诉你，大部分是拍脑袋出来的。但是你拍脑袋出来后，要知道去分析结果，去看哪里对，哪里错，哪里可以改，好的算法可以自动调优，机器学习，不断自动调整参数达到最优，但是通常可能需要你不断手工去看，去看badcase ，想想是什么参数因素导致的，改一下是否变好？是否引入新的bad case？第四：校验！校验一种是人工做盲测， A算法， B算法的结果混淆，选案例集，看哪个效果好；或A参数、B参数混淆，同理测试。通过盲测选择认为更合理的算法、更适宜的参数.以上是个人认为，做好推荐算法的步骤下面说一下常见问题1、以为有了算法就ok了，不对参数优化，不做后续的校验和数据跟踪，效果不好就说算法有问题，这种基本属于工作态度的问题了。2、对样本数据的筛选有问题，或缺乏必要的噪音筛查，导致结果噪音多。比如你有个推广位天天摆着，导致用户点击多，然后导致后台行为数据里它和谁的关联都高，然后不管用户到哪里都推荐这个玩意，这就是没有足够筛查。3、热度影响我说一下最简单的推荐算法同时选择了A和B的人数作为A与B的关联度。这个实现最简单，也最容易理解，但是很容易受热度影响我曾经注意过某个热门图书电商网站，推荐的关联书籍一水的热门书籍，就是这个问题。这些是非常简单但是又非常容易出现的，关联误区。4、过于求全现在也遇到一些朋友，一提到推荐算法或者推荐系统，就说我这个要考虑，那个要考虑，不管是行为记录，还是用户特征，以至于各种节日效应，等等等等，想通过一个推荐系统完全搞定，目标很大，所以动作就极慢，构思洋洋洒洒做了很多，实现起来无从下手，或者难以寸进；我觉得，还是量力而行，从最容易下手的地方开始，先做到比没有强，然后根据不断地数据校验跟踪，逐渐加入其他考虑因素，步步前进，而不要一上来就定一个宏伟的庞大的目标；此外要考虑实现成本和开发周期，对于大部分技术实力没有百度，腾讯，淘宝那么强的公司而言，先把简单的东西搞好，已经足够有效了，然后在运营数据的基础上逐次推进，会越来越好；有些公司是被自己宏大的目标搞的焦头烂额，最后说，哎，没牛人搞不定啊。嗯，反正他们的目标，我显著是搞不定的。就这些，希望有所帮助

文章插图
四、什么是电子商务推荐系统随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，其结构也变得更加复杂，用户经常会迷失在大量的商品信息空间中，无法顺利找到自己需要的商品。电子商务推荐系统直接与用户交互，模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。在日趋激烈的竞争环境下，电子商务推荐系统能有效保留用户、防止用户流失，提高电子商务系统的销售。推荐系统在电子商务系统中具有良好的发展和应用前景，逐渐成为电子商务IT技术的一个重要研究内容，得到越了来越多研究者的关注。电子商务推荐系统在理论和实践中都得到了很大发展。但是随着电子商务系统规模的进一步扩大，电子商务推荐系统也面临一系列挑战。针对电子商务推荐系统面临的主要挑战，本文对电子商务推荐系统中推荐算法设计以及推荐系统体系结构等关键技术进行了有益的探索和研究。本文的研究内容主要包括电子商务推荐系统推荐质量研究，电子商务推荐系统实时性研究，基于Web挖掘的推荐系统研究以及电子商务推荐系统体系结构研究
五、论淘宝搜索推荐算法排序机制及2021年搜索的方向。[写在前面]淘宝搜索引擎至今反复多次，搜索顺序也从最初的统计模型升级到机械学习模型，到2010年为止没有标签没有基础标签，随着计算能力的提高， 2010年后开始挖掘用户的基础标签，从3年到2013年开始使用大规模的机械学习和实时特征但你有没有想过为什么2016-2017年的两年是各种各样的黑搜索盛行的一年，为什么今天几乎消失了？最根本的原因是从统计算法模型到机械学习模型的转型期。说白了，这时不收割就没有收割的机会。因为统计模型即将退出历史舞台。因此，各路大神各自扩大了统计模型算法中的影响因素。统计算法无论在哪里，点击率和坑产都很容易搜索。那两年成了中小卖家的狂欢盛宴，很多大神的烟火也是旺盛的。今天推荐算法的第三代使用后，加上疫情的影响进行了鲜明的比较，真的很感慨。淘宝真的没有流量了吗？电器商务真的做不到吗？还是大家的思维没有改变，停留在2016-2017年的黑搜宴会上不想醒来？2017年、2018年、2019年是淘宝推荐算法反复最快的3年，每年的算法升级都不同，整体上到2019年9月为止统计算法模型的影响因素还很大，从2019年下半年开始第三代推荐算法后，全面的真正意义进入了以机械学习模型为中心的推荐算法时代。各路大神也无法验证，加上百年疫情的影响，很多大神的隐蔽布也泄露了。基本上以统计模型为主，训练基本上没有声音，典型的是坑产游戏。如果现在还能看到的话，基本上可以判断他不是在训练，而是在制作印刷用纸，一定会推荐使用资源，资源是多么安全。刷子的生产增加真的没有效果吗？不是我以前的文章说:不是不行，而是从坑产的角度思考，而是从改变竞争环境的角度思考，用补充书改变竞争环境，改变场地，有新的天地，任何手段都要为商业本质服务。正文概述统计算法模型时代。统计模型时代搜索引擎的排名是最原始的排名思考，如果你的类别不错，关键词比较正确，就能得到很大的流量，当时产品需求少，只要上下架的优化就能使产品上升。到2016年为止没有坑产游戏吗？黑色搜索的效果不好吗？其实，什么时候坑产是最核心的机密，谁来教大家，什么时候教的最多的是类别优化，关键词优化，大部分优化都围绕关键词，电器商的老人想起了你什么时候得到关键词的人得到了世界。有人告诉我做坑产，关键词找到生意也来了。什么时候知道坑产也没有人给你刷子，大规模的补充书也出现在黑色搜索盛行的时期。为什么关键词者得天下？搜索关键词是用户目前意图最直观的表达，也是用户表达意图最直接的方式。搜索的用户购物意图最强，成交意愿也最强，现在搜索也是转化率最高的流量来源。统计时代关键词背后直接依赖的是类别商品，只要制作类别和关键词分词即可，哪个时代最出现的黑马通常是类别机会、关键词机会、黑科学技术机会。最基本的是商业本质，什么时候产品需求少，没有很多现在的类别，自己找类别，现在想想什么概念。记得什么时候类别错了，搜索也可以来。如果你的商品点击反馈好的话，错误的类别没有什么影响，现在试试吧搜索类是搜索的基础。什么时候能称霸，背后有商业逻辑，用户行为数据好就行了。但无论如何发展检索都离不开关键词。例如，上述关键词是用户表达意图的最直接的方法，是当前消费者的检索行为和购买行为发生了根本性的变化。检索依然根据消费者的行为数据和关键词来判断需求，这就是机械学习模型时代。机器学习模式时代-推荐搜索算法。现在的商品体积和消费者购物行为的丰富性，统计算法不能满足检索的本质要求。所以现在搜索引擎开始发展深度学习模式更精细的建模-推荐搜索算法，搜索排名更智能。在此重点讨论推荐检索算法， 2017、2018、2019是推荐检索算法真正意义发展的3年， 3年3个系统版本每年更换一次，很多电器商人都不知道头脑。推荐检索算法和统计算法模型的最大区别在于， Query的处理能力和算法有召回机制简单表示推荐算法的程序:1:对检索关键词进行分词、重写的处理进行类别预判2:根据用户信息，即用户以前的行为数据记录和预测的性别、年龄、购买力、店铺喜好、品牌喜好、实时行动作等信息存档3:根据检索用户信息，根据检索用户以前的行为数据检索引擎和预测的性别、年龄、购买力、店铺喜好、品牌喜好、实时行动作为等信息存档3:根据检索用户信息的检索用户信息也就是说，在第一关召回阶段基本上与统计模型时代的最佳化途径相同，核心是标题分词和类别，现在最大的区别是根据用户信息推荐最佳化，这是标签和正确人群标签图像最佳化的基本意义。为什么现在一直在谈论标签，谈论人标签图像？入池实际上是为了匹配真正的消费者用户信息，通过直通车测试来判断人群也是为了通过性别、年龄和购买力来优化匹配真正的消费者。召回机制:通过构建子单元索引方式加快商品检索，不必经历平台上亿级的所有商品。该索引是搜索引擎中的倒置索引，利用倒置索引初始筛选商品的过程是召回阶段。在这个阶段，不会进行复杂的计算，主要是根据现在的搜索条件进行商品候选集的快速圈定。之后再进行粗排和精排，计算的复杂程度越来越高，计算的商品集合逐渐减少，最后完成整个排序过程。主要召回路径分为1:语言召回2:向量召回这些都是商业秘密不方便的说明，有兴趣的是学习我们的在线会员课程标签重叠游戏6是基于语言和向量召回的基础逻辑实战落地的课程。下一阶段进入粗行列，粗行列受这些因素的影响:粗行列作为召回后的第一个门槛，希望用户体验以时间低的模型快速排序和筛选商品，第一关系将过滤到不适合本次检索词要求的商品为了实现这个目的，首先要明确影响粗排名得分的因素1:类别匹配得分和文本匹配得分， 2:商品信息质量(商品发布时间、商品等级、商品等级)3:商品组合得分点击得分交易得分卖方服务商业得分在粗排列框架下，系统粗排列算法根据商品类别的预测得分进行得分点击得分交易得分交易得分卖方服务商业得分粗排列框架下，系统粗排列的大排列最后是精排，检索顺序的主要目标是高相关性、高个性化的正确性。每个用户的喜好不同，系统会根据每个用户的Query结合用户信息进行召回。然后通过粗排后，商品数量从万级下降到千级。千级商品经排后直接向用户展示，搜索过程中商品集合的思考和具体变化如下图前面的召回、粗排主要解决主题相关性，通过主题相关性的限制，首先缩小商品集合和我们的在线会员课程标签精排阶段系是真正系统推荐算法发挥真正威力时，应根据用户行为反馈迅速进行机械学习建模，判断用户真实性、准确性和可持续控制性。为什么现在的游戏和黑色技术暂时出现，核心是系统算法模型机械学习模型，系统分析用户有问题，不正确，不稳定，维持性差，可以迅速调整。也就是说，即使发现脆弱性，研究快速有效的方法，系统也会根据你精排阶段的用户行为迅速分析学习建模，发现模型有问题，你的玩法就结束了。猜机器学习建模的速度有多快？想玩黑色的东西早点死去吧。现在使用的检索顺序模型主要是CTR模型和CVR模型，具体模型过于复杂也不需要深入，但影响这两种模型的最基本因素是用户行为数据真的不能假的，假的也不能假的算法模型越来越智能化，算法越来越强，只有回归商业本质才能真正解决算法模型背后真正想解决的问题，算法基于商业逻辑。2021年搜索向哪个方向发生变化:2020年电器商人和蚂蚁是不平凡的一年。2020年也是蚂蚁从神坛上拉下来的元年，现在蚂蚁有各种各样的黑色。基于中小卖家的走势无疑是阿里必须正面面对的现实。如何让中小卖家回流或留在平台上，搜索该怎么做？检索一定是基于三方的考虑，买方、卖方和平台本身，现在市场上又开始提倡坑产搜索逻辑，坑产妖风又开始，根据推荐搜索算法逻辑来谈这个问题。为什么坑产思维是不死的小强，每次危机都会跳出来。以统计模型为中心的坑产时代是淘宝从2003年到2015年一直使用的搜索算法模型长达13年。同时也是淘宝和中国网分红的野蛮生长期，统计算法模式让太多电商赚钱。除了之外，十年的奴役思维已经习惯了，在电器商圈，坑产游戏一定有人相信，其他人不一定被认可。所以，我们夹着尾巴发展的原因，时间真的可以证明一切，不用多说，做自己。习惯性思维加上特殊时期的赚钱蝴蝶效应，使许多电器商人活在历史的长梦中。正确地说，统计算法模型的真正废除是在2019年下半年。同学说坑产永远有效，我也这么想。永远有效的是起爆模型坑产权重驱动和统计算法模型中的坑产排名不同。起爆模型的坑产要素永远有效，这永远不会改变。但是，如何有效地加上这个起爆模型的坑产权重，并不像模仿购物的意图那么简单。坑产游戏在2021年绝对不行。淘宝不会把现在的算法系统换成15年前的。基于三方利益:购买者体验卖方利益平台的发展搜索肯定会向高精度和高控制性发展。以标签为中心的用户标签图像仍然是影响流量精度的基本因素。必须从标签的角度考虑和优化种子组的图像。通过种子组的图像向相似人扩展到叶类人，业界喜好人最后向相关人扩展也是扩大流量的过程渠道。基于推荐搜索算法逻辑:精密排列阶段算法更强，精度更高，转化率更高，持续稳定性更强。基于中小卖方流通的现状，优化精排阶段并非中小卖方能够简单接触。推荐算法从搜索排名阶段出现在哪个阶段？个人判断一是召回阶段二是粗排阶段上述提到召回阶段的算法简单复盖商品为万级，排序规则也比较简单，中小卖方在召回阶段提高精度尤为重要。在这个万级商品库中，如上下架的权重上升，中小卖方有机会上升到主页，从子单元的索引召回中寻找机会。或者根据中小卖方的新产品和中小卖方的店铺水平进行特别优先搜索推荐，使中小卖方的新产品在低销售状态下显示，可以实现锦囊算法。中小卖方有机会搜索主页，不调用用户信息直接打开主页的展示权可能是中小卖方最大的支持。根据召回阶段的用户行为数据，在粗排阶段以比例融入用户信息，即标签的影响。在初始召回阶段，类别和分词权重，看业者主图场景反应背后的人们反馈，用系统引导，给中小卖方真正参考的流量方向和成交方向。谁疯狂地印刷用纸直接关闭黑屋，理解印刷用纸优化竞争场景，从优化人群的角度出发，适当放宽处罚。通过召回阶段，得到的用户信息会影响粗体结果。在这个阶段，用户信息的权重比例不应该太大，流量卡也不应该太死。在各检索顺序阶段用户信息，即用户标签对检索的影响权重的问题。这个方向我的个人观点是可能的。

文章插图
六、有哪些好用的开源推荐系统1.SVDFeature主页：SVDFeature – SVDFeature 语言：C++一个feature-based协同过滤和排序工具，由上海交大Apex实验室开发，代码质量较高。在KDD Cup 2012中获得第一名， KDD Cup 2011中获得第三名，相关论文发表在2012的JMLR中，这足以说明它的高大上。SVDFeature包含一个很灵活的Matrix Factorization推荐框架，能方便的实现SVD、SVD++等方法, 是单模型推荐算法中精度最高的一种。SVDFeature代码精炼，可以用相对较少的内存实现较大规模的单机版矩阵分解运算。另外含有Logistic regression的model ，可以很方便的用来进行ensemble 。